論文の概要: Two-Dimensional Weisfeiler-Lehman Graph Neural Networks for Link Prediction

• arxiv url: http://arxiv.org/abs/2206.09567v1
• Date: Mon, 20 Jun 2022 04:50:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 17:47:38.199402
• Title: Two-Dimensional Weisfeiler-Lehman Graph Neural Networks for Link Prediction
• Title（参考訳）: リンク予測のための2次元weisfeiler-lehmanグラフニューラルネットワーク
• Authors: Yang Hu, Xiyuan Wang, Zhouchen Lin, Pan Li, Muhan Zhang
• Abstract要約: グラフニューラルネットワーク(GNN)のリンク予測 リンク予測のためのほとんどの既存のGNNは、1次元Weisfeiler-Lehman (1-WL) テストに基づいている。 テキスト2次元Weisfeiler-Lehman (2-WL) テストに基づいて,ノード対(リンク)表現を直接取得可能な,まったく異なるアプローチを提案する。
• 参考スコア（独自算出の注目度）: 61.01337335214126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction is one important application of graph neural networks (GNNs). Most existing GNNs for link prediction are based on one-dimensional Weisfeiler-Lehman (1-WL) test. 1-WL-GNNs first compute node representations by iteratively passing neighboring node features to the center, and then obtain link representations by aggregating the pairwise node representations. As pointed out by previous works, this two-step procedure results in low discriminating power, as 1-WL-GNNs by nature learn node-level representations instead of link-level. In this paper, we study a completely different approach which can directly obtain node pair (link) representations based on \textit{two-dimensional Weisfeiler-Lehman (2-WL) tests}. 2-WL tests directly use links (2-tuples) as message passing units instead of nodes, and thus can directly obtain link representations. We theoretically analyze the expressive power of 2-WL tests to discriminate non-isomorphic links, and prove their superior link discriminating power than 1-WL. Based on different 2-WL variants, we propose a series of novel 2-WL-GNN models for link prediction. Experiments on a wide range of real-world datasets demonstrate their competitive performance to state-of-the-art baselines and superiority over plain 1-WL-GNNs.
• Abstract（参考訳）: リンク予測はグラフニューラルネットワーク(GNN)の重要な応用の1つである。 リンク予測のためのほとんどの既存のGNNは、1次元Weisfeiler-Lehman (1-WL) テストに基づいている。 1-wl-gnnsは、まず隣り合うノードの特徴を中央に反復的に渡してノード表現を計算し、次にペアワイズノード表現を集約してリンク表現を得る。 従来の研究で指摘されていたように、この2段階の手順は、リンクレベルではなくノードレベルの表現を自然に学習する1-WL-GNNのように、低判別能力をもたらす。 本稿では,<textit{two-dimensional Weisfeiler-Lehman (2-WL) test} に基づいてノード対(リンク)表現を直接得るための,全く異なるアプローチを提案する。 2-WLテストでは、ノードの代わりにリンク(2-tuples)を直接メッセージパッシングユニットとして使用するため、リンク表現を直接取得することができる。 理論的には、2-WLテストの表現力を解析し、非同型リンクを識別し、1-WLよりも優れたリンク判別力を証明する。 異なる2-WLモデルに基づいてリンク予測のための新しい2-WL-GNNモデルを提案する。 幅広い実世界のデータセットの実験は、最先端のベースラインに対する競合性能と、通常の1-WL-GNNよりも優れた性能を示している。

関連論文リスト

• Union Subgraph Neural Networks [7.922920885565194]
  我々は、新しいタイプのサブ構造から抽出された隣り合う接続情報を注入することで、グラフニューラルネットワーク(GNN)を強化する。 符号化された隣り合う接続性を利用することにより、UnionSNN(Union Subgraph Neural Network)と呼ばれる新しいモデルを提案する。 グラフレベルとノードレベルの両方のタスクに関する18のベンチマークの実験では、UnionSNNが最先端のベースラインモデルより優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-25T05:52:43Z)
• Graph Neural Networks are Inherently Good Generalizers: Insights by Bridging GNNs and MLPs [71.93227401463199]
  本稿では、P(ropagational)MLPと呼ばれる中間モデルクラスを導入することにより、GNNの性能向上を本質的な能力に向ける。 PMLPは、トレーニングにおいてはるかに効率的でありながら、GNNと同等(あるいはそれ以上)に動作することを観察する。
  論文  参考訳（メタデータ） (2022-12-18T08:17:32Z)
• Weisfeiler-Lehman goes Dynamic: An Analysis of the Expressive Power of Graph Neural Networks for Attributed and Dynamic Graphs [1.3757956340051607]
  グラフニューラルネットワーク(GNN)は、グラフ処理のための大規模なリレーショナルモデルである。 GNNの表現力に関する最近の研究は、グラフを識別する能力に焦点を当てている。 実生活のアプリケーションは、しばしばより広い種類のグラフを含む。
  論文  参考訳（メタデータ） (2022-10-08T10:14:41Z)
• Twin Weisfeiler-Lehman: High Expressive GNNs for Graph Classification [48.087302573188396]
  本稿では,ノードラベルとノードIDを同時に渡す新しいグラフ同型テスト手法Twin-WLを提案する。 2つのツイン-GNNは、従来のメッセージパッシングGNNよりも表現力が高いことが証明された。
  論文  参考訳（メタデータ） (2022-03-22T12:58:03Z)
• Identity-aware Graph Neural Networks [63.6952975763946]
  グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。 ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。 既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
  論文  参考訳（メタデータ） (2021-01-25T18:59:01Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• A Novel Higher-order Weisfeiler-Lehman Graph Convolution [2.658812114255374]
  2次元Weisfeiler-Lehmanテストに基づく新しいグラフ畳み込み演算子を提案する。 得られた2-WL-GNNアーキテクチャは,既存のGNNアプローチよりも識別性が高いことを示す。
  論文  参考訳（メタデータ） (2020-07-01T09:32:01Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。